본 논문은 스택엘버그 게임(Stackelberg games)의 복잡한 상호작용을 정확하게 모델링하는 새로운 다중 에이전트 모방 학습(MAIL) 방법인 잠재 스택엘버그 차분 네트워크(LSDN)를 제안합니다. 기존 MAIL 방법들은 스택엘버그 게임의 비대칭적 의사결정 과정과 고차원 환경에서의 확장성 문제로 인해 복잡한 상호작용을 제대로 포착하지 못하는 한계를 가지고 있습니다. LSDN은 상호 의존적인 정책을 효과적으로 학습하기 위해 스택엘버그 게임에 특화된 상관 정책 점유 측정(correlated policy occupancy measure)과 다중 출력 기하 브라운 운동(MO-GBM)을 활용합니다. MO-GBM을 통해 에이전트 주도 전이와 환경적 영향을 분리하여 상호 의존적인 정책을 동시에 학습하고, 적대적 학습 없이도 효율적인 학습을 가능하게 합니다. 반복 행렬 게임과 다중 에이전트 입자 환경에서의 실험을 통해 LSDN이 기존 MAIL 방법들보다 복잡한 상호작용 역학을 더 잘 재현함을 보여줍니다.
